分布式驱动电动汽车底盘集成控制技术综述

分布式驱动电动汽车可控自由度高、响应速度快、底盘线控集成度高、车辆结构紧凑,是实现先进车辆动力学控制技术的最佳平台。线控转向系统、线控驱动/制动系统、线控悬架系统等线控系统,制动防抱死系统、车道保持系统、自适应巡航系统、变道辅助系统等不同等级的辅助驾驶系统的广泛使用,造成车辆底盘控制中出现冗余及冲突。分布式驱动结构形式为多线控系统及线控系统与辅助驾驶系统间的高效、协同控制带来了更大的可能。基于此,从集成控制策略架构、纵-横向动力学集成控制、横-垂向动力学集成控制、纵-垂向动力学集成控制、纵-横-垂向动力学集成控制、容错控制、分布式驱动智能电动汽车底盘动力学集成控制等方面重点阐述分布式驱动电动汽车底盘集成控制技术的最新进展。通过对文献分析总结可以看出：基于分层式控制架构的分布式驱动电动汽车动力学集成控制是当前研究重点;一体化集成控制目标、高级辅助驾驶系统与底盘控制系统深度融合及个性化集成控制等问题亟待解决。研究成果能为分布式驱动电动汽车底盘高性能集成控制技术发展提供参考。     

基于强化学习DDPG的智能车辆轨迹跟踪控制

针对智能车辆在轨迹跟踪过程中的横向控制问题,提出一种基于强化学习中深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的智能车辆轨迹跟踪控制方法。首先,将智能车辆的跟踪控制描述为一个基于马尔可夫决策过程（MDP）的强化学习过程,强化学习的主体是由Actor神经网络和Critic神经网络构成的Actor-Critic框架;强化学习的环境包括车辆模型、跟踪模型、道路模型和回报函数。其次,所提出方法的学习主体以DDPG方法更新,其中采用回忆缓冲区解决样本相关性的问题,复制结构相同的神经网络解决更新发散问题。最后,将所提出的方法在不同场景中进行训练验证,并与深度Q学习方法（Deep Q-Learning,DQN）和模型预测控制（Model Predictive Control,MPC）方法进行比较。研究结果表明：基于DDPG的强化学习方法所用学习时间短,轨迹跟踪控制过程中横向偏差和角偏差小,且能满足不同车速下的跟踪要求;采用DDPG和DQN强化学习方法在不同场景下均能达到训练片段的最大累计回报;在2种仿真场景中,基于DDPG的学习总时长分别为DQN的9.53%和44.19%,单个片段的学习时长仅为DQN的20.28%和22.09%;以DDPG、DQN和MPC控制方法进行控制时,在场景1中,基于DDPG方法的最大横向偏差分别为DQN和MPC的87.5%和50%,仿真时间分别为DQN和MPC的12.88%和53.45%;在场景2中,基于DDPG方法的最大横向偏差分别为DQN和MPC的75%和21.34%,仿真时间分别为DQN和MPC的20.64%和58.60%。     

粗集料的体积率对混凝土抗压强度的影响

通过混凝土中粗集料体积率的变化对混凝土抗压强度的影响,以及其影响的大小,作出初步的探讨和分析。试验中选取三个强度等级,分别为:高强、中强、低强。在同强度等级的对比试验中,水泥、水、外加剂、集料的用量保持不变,只改变粗集料的体积率。每个强度等级成型6个150mm×150mm×150mm的立方体试块,分别测试4个龄期:1天、3天、7天、28天的混凝土抗压强度。结果发现混凝土中粗集料的体积率不但影响混凝土的容重、体积的安定性,对抗压强度的影响尤为明显,而且是强度越高时越为明显。所以在混凝土配合比设计中,应注意好粗集料的体积率,对混凝土强度的提高,控制混凝土的工作性及其体积安定性均有重要的意义。     

自升门式液压提升系统同步技术运用

自升门式液压提升系统是为了完成之江大桥主塔(拱形钢塔)吊装研发的一种新型设备,在之江大桥索塔施工中成功运用,而自升门式液压提升系统使用的核心技术是同步提升技术,通过之江大桥索塔的应用实例来叙述自升门式液压提升系统的同步顶升和同步提升的技术,为其他工程的液压同步技术提供借鉴.     

绿色再生混凝土的研究

混凝土作为最大宗的人造建筑材料,它对自然资源的占用及其对环境造成的负面影响是巨大的.从旧建筑物拆下的废料中废混凝土不仅带来了环境污染,还造成了资源浪费.绿色再生混凝土技术的研究,一方面可以解决废弃混凝土和粉煤灰的资源化问题,另方面可以提高混凝土的绿色含量和改善混凝土某些性能,具有广泛的应用前景,具体表现为用于生产混凝土砌块;用于道路附属物基础、水沟、排水槽、重力附壁等;用于基础垫层、非结构用混凝土、简易房屋混凝土基础等;用于有透水要求的混凝土地坪及其他工程.随着今后废弃混凝土再生技术的研究进展,其应用范围还将扩大,具有广泛的应用前景.